Întreprinderea inteligentă: Facerea Inteligenței Artificiale Generative gata pentru întreprinderi

Să începem de aici: Da, oportunitățile pentru Inteligența Artificială Generativă (GenAI) sunt imense. Da, aceasta transformă lumea așa cum o știm (și mai repede decât majoritatea dintre noi au prezis). Și da, tehnologia devine mai inteligentă. Cu toate acestea, implicațiile pentru GenAI, cu capacitatea sa de a genera text, imagini și narative, asupra întreprinderilor și afacerilor sunt foarte diferite de impactul asupra publicului larg — după cum majoritatea afacerilor nu scriu poezii sau povești (ceea ce este popular printre utilizatorii ChatGPT), ele servesc clienților lor.

Multe companii au experiență cu prelucrarea limbajului natural (NLP) și cu chatbot-urile de nivel scăzut, dar GenAI accelerează modul în care datele pot fi integrate, interpretate și convertite în rezultate de afaceri. Prin urmare, acestea trebuie să determine rapid care dintre cazurile de utilizare GenAI vor rezolva cele mai presante provocări de afaceri și vor stimula creșterea. Pentru a înțelege cum întreprinderile pot face GenAI gata pentru întreprinderi cu datele lor, este important să revizuim cum am ajuns la acest punct.

Călătoria de la NLP la Modelul de Limbaj Mare (LLM)

Tehnologia a încercat să înțeleagă limbajele naturale de zeci de ani. În timp ce limbajul uman în sine este o formă evoluată de exprimare umană, faptul că oamenii au evoluat în atâtea dialecte din întreaga lume — de la simboluri și sunete în silabe, fonetice și limbi — a lăsat tehnologia să se bazeze pe metode de comunicare digitală mai simple, cu biți și octeți, etc., până relativ recent.

Am început să lucrez la programe NLP acum aproape un deceniu. Atunci, totul era despre taxonomia limbajului și ontologia, extragerea entităților și o formă primitivă de bază de date grafică (în mare măsură în XML) pentru a încerca să mențină relații complexe și context între diverse entități, pentru a face sens din interogările de căutare, pentru a genera un nor de cuvinte și pentru a furniza rezultate. Nu a existat nimic matematic despre asta. A existat mult om în buclă pentru a construi baze de date taxonomice, multe parsări XML și, mai important, multe calcule și memorie la joacă. Fără îndoială, unele programe au fost de succes, iar majoritatea nu au fost. Următorul a fost învățarea automată, cu multiple abordări pentru învățarea profundă și rețele neuronale, etc., care au accelerat înțelegerea limbajului natural (NLU) și inferența limbajului natural (NLI). Cu toate acestea, au existat trei factori limitativi — puterea de calcul pentru a procesa modele complexe, accesul la volume de date care pot învăța mașinile și, în primul rând, un model care poate învăța și corecta singur, formând relații temporale între fraze.

Să sărim două decenii mai târziu, și GPU-urile oferă o putere de calcul masivă, rețelele neuronale care se autoînvăță și evoluează sunt norma, modelele de învățare supravegheată, nesupravegheată și semisupravegheată există, și, mai presus de toate, există un acces mai mare la cantități masive de date în mai multe limbi, inclusiv diverse platforme de social media, pe care aceste modele le pot antrena. Rezultatul este reprezentat de motoarele AI care pot interacționa cu dvs. în limbajul dvs. natural, pot înțelege emoția și sensul din întrebările dvs., pot suna ca un om și pot răspunde ca unul.

Toți, prin prezența noastră pe rețelele de socializare, am fost fără să știm “omul” din “buclă” pentru a antrena aceste motoare. Acum avem motoare care pretind a fi antrenate pe trilioane de parametri, capabile să primească sute și mii de parametri de intrare, care sunt multimodali și să ne răspundă în limbajul nostru. Indiferent dacă este vorba de GPT4/5, PaLM2, Llama sau orice alt LLM care a fost publicat până acum, acestea emerg ca soluții contextuale verticale mai bune.

Sisteme de implicare și sisteme de înregistrare

În timp ce călătoria de la NLP la LLM a fost minunată datorită evoluției tehnologiei și a disponibilității unor cantități masive de date de antrenare pe care le-am generat cu toții, întreprinderile — furnizorii de retail, producătorii, băncile, etc. — au nevoie de aplicații foarte diferite ale acestei tehnologii. În primul rând, întreprinderile nu își pot permite halucinația AI — au nevoie de 0% halucinație și de 100% acuratețe pentru utilizatorii care interacționează cu AI. Există o serie de întrebări care cer acuratețe absolută pentru a fi de orice folos în afaceri — de exemplu, Câte camere sunt disponibile în hotelul dvs.? Aveți un bilet de avion de clasa întâi disponibil?

Pentru a contracara halucinația AI, intră în scenă conceptul de sisteme de implicare și sisteme de înregistrare. Sistemele de implicare, fie că este vorba de clienți, furnizori sau angajați, pot utiliza o platformă conversațională bazată pe GenAI din cutie, după ce a fost antrenată pentru prompturi specifice afacerii — aceasta este partea “mai ușoară”. Provocarea constă în încorporarea sistemelor de înregistrare în lanțul de valori.   Multe afaceri sunt încă într-o lume statică, bazată pe tabele și entități, și vor rămâne astfel, deoarece majoritatea întreprinderilor sunt statice la nivel organizațional sau corporativ, în timp ce evenimentele și fluxurile de lucru le fac dinamice la nivel tranzacțional.

Acesta este punctul în care vorbim despre platforme conversaționale de ultimă generație care nu numai că abordează conversațiile, interfețele și întrebările, dar care duc și drumul clienților până la îndeplinire. Există diferite abordări arhitecturale pentru astfel de platforme conversaționale. O opțiune imediată este de a utiliza un middleware hibrid care acționează ca un consolidator între datele vectorizate și etichetate ale întreprinderii și prompturile conversaționale bazate pe LLM și care oferă un rezultat cu 0% halucinație pentru consumatori.

Există o cantitate masivă de lucru de pregătire a datelor necesară întreprinderilor pentru a le face inteligibile pentru un motor LLM. Noi o numim “aplatizarea” modelului de date tradițional, bazat pe tabele și entități. Bazele de date grafice, care reprezintă și stochează datele într-un mod în care bazele de date relaționale nu pot, găsesc un nou scop în această călătorie. Scopul este de a converti bazele de date ale întreprinderilor în baze de date grafice mai inteligibile, cu relații care definesc contextul și sensul, făcându-le mai ușor de învățat pentru motoarele LLM și, prin urmare, de a răspunde la prompturi de la clienții finali prin combinarea întrebărilor conversaționale și a întrebărilor în timp real. Această sarcină de a face datele întreprinderilor gata pentru LLM este cheia pentru a oferi o experiență de la sistemele de implicare la sistemele de înregistrare și pentru a duce experiențele utilizatorilor până la îndeplinire.

Ce urmează

La acest punct, cu aceste progrese în domeniul datelor și al inteligenței artificiale, impactul imediat vine în domeniul generării de coduri software — așa cum se vede în apariția Microsoft Copilot, Amazon CodeWhisperer și a altor unelte printre dezvoltatori. Aceste unelte dau startul programelor de modernizare a sistemelor legacy, multe dintre acestea fiind întrerupte din cauza problemelor de timp și cost. Cu uneltele de generare de cod bazate pe GenAI, vedem accelerarea proiectelor de modernizare cu 20-40%. În proiectele de dezvoltare de cod noi, aceste unelte vor permite dezvoltatorilor să-și mute timpul și economiile de productivitate către gândirea de design și proiecte mai inovatoare.

Dincolo de dezvoltarea de coduri software, uneltele GenAI duc la crearea de noi cazuri de utilizare verticale și scenarii care vizează rezolvarea celor mai presante provocări ale întreprinderilor, și abia începem să atingem suprafața a ceea ce trebuie făcut pentru a profita pe deplin de această tendință. Cu toate acestea, suntem deja pe cale să rezolvăm mai multe probleme și întrebări în sectorul de retail și logistică, utilizând GenAI:

Cât inventar am în depozit și când ar trebui să declanșez reîmprospătarea? Este profitabil să stocăm în avans? Este prețul de aterizare corect sau urmează să crească? Care sunt articolele pe care le pot împacheta sau ce fel de personalizare pot oferi pentru a-mi crește profitul?

Răspunsurile la acest tip de întrebări necesită o combinație de interfețe conversaționale, întrebări de date de înaltă acuratețe din partea din spate și un model de învățare automată cu caracteristici de domeniu care oferă predicții și îndrumări pentru viitor. Astfel, sfatul meu pentru întreprinderi ar fi, indiferent dacă sunteți un explorator AI sau un disruptor AI Generativ, să parteneriați cu furnizorii de servicii care au o expertiză dovedită în AI și capabilități robuste de date și analize care vă pot ajuta să profitați de modelele GenAI potrivite pentru nevoile dvs. de afaceri și să vă ajute să rămâneți înaintea curbei.